AI "失忆"怎么办？本文带你用 Spring AI 一招搞定多轮对话，让你的 AI 应用拥有超强记忆！从 ChatClient、Advisors 到实战编码，三步打造一个能记住上下文的智能历史专家。
大家好，我是程序员NEO。
你是否遇到过这样的 AI？上一秒刚告诉它你的名字，下一秒就问你是谁。这种“金鱼记忆”的 AI 简直让人抓狂！在智能客服、虚拟助手等场景，如果 AI 无法记住上下文，用户体验将大打折扣。
别担心，今天 NEO 就带你用 Spring AI 框架，彻底解决这个难题，轻松为你的 AI 应用植入“记忆芯片”！
为了方便演示，我们将一起创建一个“历史知识专家”AI。它不仅能对答如流，还能记住我们之前的对话，实现真正流畅的智能交流。
准备好了吗？让我们开始吧！
更强大的 ChatClient
要让 AI 拥有“记忆力”，首先得掌握与它高效沟通的工具。Spring AI 提供了 ChatClient API，这是我们与大模型交互的瑞士军刀。
很多同学可能习惯了直接注入 ChatModel，但 ChatClient 提供了功能更丰富、更灵活的链式调用（Fluent API），是官方更推荐的方式。
看看对比，高下立判：
// 基础用法(ChatModel) ChatResponse response = chatModel.call(new Prompt("你好")); // 高级用法(ChatClient) ChatClient chatClient = ChatClient.builder(chatModel) .defaultSystem("你是历史顾问") .build(); String response = chatClient.prompt().user("你好").call().content(); ChatClient 的构建方式也很灵活，可以通过构造器注入或使用建造者模式：
// 方式1：使用构造器注入 @Service public class ChatService { private final ChatClient chatClient; public ChatService(ChatClient.Builder builder) { this.chatClient = builder .defaultSystem("你是历史顾问") .build(); } } // 方式2：使用建造者模式 ChatClient chatClient = ChatClient.builder(chatModel) .defaultSystem("你是历史顾问") .build(); 它还支持多种响应格式，无论是包含 Token 信息的完整响应、自动映射的 Java 对象，还是实现打字机效果的流式输出，都能轻松搞定。
// ChatClient支持多种响应格式 // 1. 返回 ChatResponse 对象（包含元数据如 token 使用量） ChatResponse chatResponse = chatClient.prompt() .user("Tell me a joke") .call() .chatResponse(); // 2. 返回实体对象（自动将 AI 输出映射为 Java 对象） // 2.1 返回单个实体 record ActorFilms(String actor, List<String> movies) {} ActorFilms actorFilms = chatClient.prompt() .user("Generate the filmography for a random actor.") .call() .entity(ActorFilms.class); // 2.2 返回泛型集合 List<ActorFilms> multipleActors = chatClient.prompt() .user("Generate filmography for Tom Hanks and Bill Murray.") .call() .entity(new ParameterizedTypeReference<List<ActorFilms>>() {}); // 3. 流式返回（适用于打字机效果） Flux<String> streamResponse = chatClient.prompt() .user("Tell me a story") .stream() .content(); // 也可以流式返回ChatResponse Flux<ChatResponse> streamWithMetadata = chatClient.prompt() .user("Tell me a story") .stream() .chatResponse(); 更棒的是，你可以为 ChatClient 设置默认的“人设”（系统提示词），甚至在对话中动态替换模板变量，让 AI 的角色扮演更加生动。
// 定义默认系统提示词 ChatClient chatClient = ChatClient.builder(chatModel) .defaultSystem("You are a friendly chat bot that answers question in the voice of a {voice}") .build(); // 对话时动态更改系统提示词的变量 chatClient.prompt() .system(sp -> sp.param("voice", voice)) .user(message) .call() .content()); Advisors 拦截器
如果说 ChatClient 是 AI 的躯体，那 Advisors（顾问）就是给它加持的各种“外挂”和“Buff”。
你可以把 Advisors 理解为一系列可插拔的拦截器。在请求发给 AI 前或收到 AI 响应后，它们可以执行各种骚操作：
- 前置增强：悄悄改写你的提问，让它更符合 AI 的胃口；或者进行安全检查，过滤掉危险问题。
- 后置增强：记录调用日志，或者对 AI 的回答进行二次加工。
用法非常简单，直接在构建 ChatClient 时配置 defaultAdvisors 即可。比如，MessageChatMemoryAdvisor 就是我们实现对话记忆的关键“外挂”。
var chatClient = ChatClient.builder(chatModel) .defaultAdvisors( new MessageChatMemoryAdvisor(chatMemory), // 对话记忆 advisor new QuestionAnswerAdvisor(vectorStore) // RAG 检索增强 advisor ) .build(); String response = this.chatClient.prompt() // 对话时动态设定拦截器参数，比如指定对话记忆的 id 和长度 .advisors(advisor -> advisor.param("chat_memory_conversation_id", "678") .param("chat_memory_response_size", 100)) .user(userText) .call() .content(); Advisors 的工作原理就像一条精密的流水线（责任链模式）：
流水线流程解读：
- 用户的请求进来，被包装成一个
AdvisedRequest。 - 请求在
Advisor链上依次传递，每个Advisor都可以对它进行处理或修改。 - 最终，请求被发送给
ChatModel。 - 模型的响应再沿着流水线反向传回，每个
Advisor也可以处理响应。 - 最后，客户端收到经过层层“加持”的最终结果。
注意：Advisor 的执行顺序由其 getOrder() 方法决定，值越小，优先级越高，跟代码书写顺序无关哦！
Chat Memory Advisor
要实现对话记忆，ChatMemoryAdvisor 是我们的不二之选。它有几种实现方式，最常用的是 MessageChatMemoryAdvisor。
MessageChatMemoryAdvisor：将历史对话作为完整的消息列表（包含用户和 AI 的角色）添加到提示中。这是最符合现代大模型交互方式的选择。PromptChatMemoryAdvisor：将历史对话拼接成一段文本，塞进系统提示词里。VectorStoreChatMemoryAdvisor：使用向量数据库来存储和检索历史对话，适用于更复杂的场景。
MessageChatMemoryAdvisor 保留了对话的原始结构，能让 AI 更好地理解上下文，因此 强烈推荐使用。
Chat Memory
ChatMemoryAdvisor 只是“搬运工”，真正存储对话历史的是 Chat Memory。Spring AI 提供了多种“记忆仓库”：
InMemoryChatMemory：内存存储，简单快捷，适合测试（我们今天就用它）。JdbcChatMemory,CassandraChatMemory,Neo4jChatMemory：持久化存储，可将对话历史保存在数据库中，适合生产环境。
打造一个“历史学家”AI
理论讲完了，上代码！
初始化 ChatClient
我们通过构造器注入 ChatModel，然后构建 ChatClient。在构建时，设定好“历史学家”的人设（SYSTEM_PROMPT），并装上我们的记忆“外挂”——MessageChatMemoryAdvisor。
/** * @author 程序员NEO * @version 1.0 * @description 历史知识专家应用 * @since 2025-07-07 **/ @Component @Slf4j public class HistoryExpertApp { private final ChatClient chatClient; private static final String SYSTEM_PROMPT = "你是一位风趣幽默的历史知识专家，学识渊博。" + "你需要根据用户的提问，生动、清晰地回答相关的历史知识。" + "如果用户的问题不清晰，你需要引导用户提供更多信息。"; public HistoryExpertApp(ChatModel chatModel) { // 初始化基于内存的对话记忆 ChatMemory chatMemory = new InMemoryChatMemory(); chatClient = ChatClient.builder(chatModel) .defaultSystem(SYSTEM_PROMPT) .defaultAdvisors( new MessageChatMemoryAdvisor(chatMemory) ) .build(); } // ... doChat 方法 } 这里我们使用了 InMemoryChatMemory，它将对话历史存在内存里。对于生产环境，记得换成 Redis 或数据库等持久化方案。
编写对话方法
核心的 doChat 方法接收用户消息（message）和会话 ID（chatId）。chatId 是区分不同对话的关键，确保每个用户的聊天记录相互独立。
/** * 执行聊天操作，处理用户消息并返回 AI 的响应。 * * @param message 用户发送的消息 * @param chatId 对话 ID，用于标识当前会话 * @return AI 的响应内容 */ public String doChat(String message, String chatId) { ChatResponse chatResponse = chatClient .prompt() .user(message) .advisors(spec -> spec .param(MessageChatMemoryAdvisor.CHAT_MEMORY_CONVERSATION_ID_KEY, chatId) // 设置对话 ID .param(MessageChatMemoryAdvisor.CHAT_MEMORY_RETRIEVE_SIZE_KEY, 10)) // 设置记忆容量 .call() .chatResponse(); String content = chatResponse.getResult().getOutput().getContent(); log.info("AI Response: {}", content); return content; } 在 .advisors() 方法中，我们传入了两个关键参数：
CHAT_MEMORY_CONVERSATION_ID_KEY: 会话 ID，确保每个用户的对话历史是隔离的。CHAT_MEMORY_RETRIEVE_SIZE_KEY: 对话记忆检索大小。设置为10表示 AI 在回答时，会参考最近的 10 条消息（5 轮对话）。
见证奇迹的时刻！
我们用一个单元测试来验证 AI 是否真的拥有了记忆。
@SpringBootTest public class HistoryExpertAppTest { @Resource private HistoryExpertApp historyExpertApp; @Test void testChat() { String chatId = UUID.randomUUID().toString(); // 第一轮对话 System.out.println("--- 第一轮对话 ---"); String message1 = "我叫NEO，我最喜欢的数字是7。"; System.out.println("我: " + message1); String answer1 = historyExpertApp.doChat(message1, chatId); Assertions.assertNotNull(answer1); System.out.println("AI: " + answer1); // 第二轮对话 System.out.println("n--- 第二轮对话 ---"); String message2 = "我叫什么名字？我最喜欢的数字是几？"; System.out.println("我: " + message2); String answer2 = historyExpertApp.doChat(message2, chatId); Assertions.assertNotNull(answer2); System.out.println("AI: " + answer2); } } 场景一：拥有完整记忆
当 CHAT_MEMORY_RETRIEVE_SIZE_KEY 设置为 10 时，AI 能轻松记住我们在第一轮对话中提供的信息。
测试结果：
--- 第一轮对话 --- 我: 我叫NEO，我最喜欢的数字是7。 AI: 哈哈，Neo！很高兴认识你！7确实是一个神奇的数字——不仅是上帝创造世界的天数，也是彩虹的颜色数、一周的天数，甚至还是詹姆斯·邦德的代号！看来你和神秘事物很投缘啊！ 既然你喜欢7，那我考考你：你知道人类历史上有哪些著名的"七"吗？比如七大奇迹、七星瓢虫，或者...《七龙珠》？😄 说说看，你是更喜欢历史中的神秘"七"，还是生活里有趣的"七"呢？我可以从任何方向展开聊聊！ --- 第二轮对话 --- 我: 我叫什么名字？我最喜欢的数字是几？ AI: 哎呀！这像是在考考我这个"博学多才"的历史专家了是不是？🤔 让我想想...上一秒钟我还记得清清楚楚来着...哦对了！你叫NEO，跟我分享过你最喜欢数字7的奥秘。就像《黑客帝国》里的主角一样充满传奇色彩的名字，配上神秘的7，简直完美搭配！ 不过说真的，能告诉我你是从哪部《黑客帝国》开始认识NEO这个角色的呢？是第一部经典之作，还是后来的续集？还有，为什么偏偏是7这个数字吸引了你？我觉得这里面一定有段有趣的故事要听！🎧
成功了！AI 准确地记住了我们的信息。
场景二：秒变“金鱼记忆”
现在，我们将记忆容量改为 1，这意味着 AI 只能看到当前用户的提问，完全不记得之前的对话。
.param(MessageChatMemoryAdvisor.CHAT_MEMORY_RETRIEVE_SIZE_KEY, 1) 再次运行测试，看看会发生什么。
测试结果（失忆版）：
--- 第一轮对话 --- 我: 我叫NEO，我最喜欢的数字是7。 AI: 哎呀，欢迎Neo！让我猜猜...你喜欢数字7是不是因为"Matrix"里的第七号巧合？不过既然你提到了数字7，让我告诉你一个有趣的历史故事吧！ 你知道吗？在古希腊人眼中，7可是个神奇的数字组合 - 就像我这个历史专家平时吃着橄榄，看着帕特农神庙时想的那样。他们发现了七个智慧贤人，观察到天空中有七颗可见的行星（当然那是没有望远镜的时代），甚至连他们的神话里都有七重天的说法。 嘿，作为一个喜欢解密历史的人，我发现你这个名字和数字7的组合让我想起了一些有意思的东西。比如，柏拉图在他的著作里经常提到"理想国"，而那个国家正好有七个等级制度。或者亚历山大图书馆，它可是古代世界七大奇迹之一！ 说起来，你是更喜欢探索数字7在数学上的独特性质，还是它在不同文化中的神秘象征？让我们一起揭开这个数字背后的更多秘密吧！ --- 第二轮对话 --- 我: 我叫什么名字？我最喜欢的数字是几？ AI: 哎呀，这可真是个让人摸不着头脑的问题！让我这个历史专家翻遍了古希腊的羊皮卷、巴比伦的泥板和中国的甲骨文都没找到答案。难道你是想让我展示特洛伊木马式的惊喜？还是像斯芬克斯谜语那样考考我？ 不过作为一个精通历史的学者，我可以告诉你一些有趣的背景：在古代埃及，人们会给新生儿起非常特别的名字，有时候是根据他们出生的日子来取的。而说到数字，毕达哥拉斯可是坚信万物皆数呢！
看到了吗？仅仅是一个参数的差别，AI 就从“智能”变成了“智障”。这个对比鲜明地展示了对话记忆的重要性。
希望这篇文章对你有帮助！如果你觉得内容不错，点个赞👍，分享给更多朋友吧！有任何问题，欢迎在评论区留言交流。
关注公众号【程序员NEO】，第一时间获取更多 AIGC 实战干货！
![洛谷 P11345 [KTSC 2023 R2] 基地简化 题解](http://www.itfaba.com/wp-content/themes/kemi/timthumb.php?src=http://www.itfaba.com/wp-content/themes/kemi/img/random/3.jpg&w=218&h=124&zc=1)
